Робототехника.Фу, Ли, Гонсалес (962794), страница 71
Текст из файла (страница 71)
В этом случае сегментация проводится для двух областей, причем точки в Я, обозначаются буквой а, точки какой в )та буквой 5. Необходимо отметить, что независимо от того, , в к кой из этих двух областей будет взята начальная точка, окон- 418 14' 419.
чательный результат будет один н тот же. Если, с другой стороны, выбрать 7 = 8, была бы получена единственная область (рис. 8,17, в). Предыдущий пример, несмотря на его простоту, иллю- 1 стрирует некоторые важные проблемы расширения области. 4 Двумя очевидными проблемами являются: выбор началь- 3 ных узлов для правильного представления областей, пред- 4 ставляющих интерес, и определение подходящих свойств для з включения точек в различные области в процессе расширения. Выбор множества, состоящего нз одной или нескольких начальных точек, следует из постановки задачи. Например, в военных приложениях объекты, представляющие интерес, имеют более высокую температуру, чем фон, и поэтому проявляются более ярко.
Выбор наиболее ярких пикселов является естественным начальным б шагом в алгоритме процесса расширения области. При отсутствии априорной информации можно начать с вычисления для каждого пнксела набора свойств, который наверняка будет использован при установлении соответствия пиксела той или иной области в процессе расширения. Если результатом вычислений являются группы точек (кластеры), тогда в качестве узловых бе- Ф рутся те пикселы, свойства ко- Рис.
8.!7. Пример расширения оолатоРых близки к свойствам сти на основе использования заест. центроидов этих групп. Так, в ных начальных точек [104). примере, приведенном выше, гистограмма интенсивностей показала бы, что точки с интен- снвностью от одного до семи являются доминирующими. Выбор критерия подобия зависит не только от задачи, но также от вида имеющихся данных об образе. Например, анализ информации, полученной со спутников, сушественно зависит от использования цвета. Задача анализа значительно усложнится при использовании только монохроматических образов. К сожалению, в промышленном техническом зрении возможность получения мультиспектральных и других дополнительных данных об образе является скорее исключением, чем правилом.
Обычно анализ области должен осуществляться с помощью набора дескрипторов, включающих интенсивность и пространственные характеристики (моменты, текстуру) одного источника изображения. В разд. 8.3 приведены дескрипторы, используемые для описания области. Отметим, что применение только одних дескрипторов может приводить к неправильным результатам, если не используется информация об условиях связи в процессе расширения области. Это легко продемонстрировать при рассмотрении случайного расположения пикселов с тремя различными значениями интенсивности.
Объединение пикселов в «область» на основе признака одинаковой интенсивности без учета условий связи приведет к бессмысленному результату при сегментаци. Другой важной проблемой при расширении области является формулировка условия окончания процесса. Обычно процесс расширения области заканчивается, если больше не существует пикселов, удовлетворяющих критерию принадлежности к той или иной области. Выше упоминались такие критерии, как интенсивность, текстура и цвет, которые являются локальными по своей природе и не учитывают «историю» процесса расширения области.
Дополнительный критерий, повышающий мошность алгоритма расширения области, включает понятие размера, схожести между пикселом-кандидатом и только что созданными пикселами (сравнение интенсивности кандидата и средней интенсивности области), а также формы области, подлежащей расширению. Использование этих типов дескрипторов основано на предположении, что имеется неполная информация об ожидаемых результатах. Разбиение и объединение области. Изложенная выше процедура расширения области начинает работу с заданного множества узловых точек. Однако можно сначала разбить образ на ряд произвольных непересекающихся областей и затем объединять и/или разбивать эти области с целью удовлетворения условий, сформулированных в начале раздела.
Итеративные алгоритмы разбиения и объединения, работа которых направлена на выполнение этих ограничений, могут быть изложены следующим образом, Пусть Р является полной областью образа, на которой определен предикат Р. Один из способов сегментации )с состоит в успешном разбиении площади образа на все меньшие квадратные области, так что для каждой области тсь Р(Р,;) = ИСТИ. 420 НЛ. Процедура начинает работу с рассмотрения всей области Р. Если Р(й) = ЛОЖЬ, область разбивается на квадранты, Если для какого-либо квадранта Р принимает значение ЛОЖЬ, этот квадрант разбивается на подквадранты и т.
д. Этот метод разбиения обычно представляется в виде так называемого квадродерева (дерева, у которого каждая вершина имеет только четыре потомка). На рис. 8.18 приведен простой пример квадро- дерева. Отметим, что корень дерева соответствует всему образу, Рис. 8. (8. Образ, разделенный ва области (и), и соответствующее квадро- дерево (б), а каждая вершина — разбиению. В данном случае только тх4 подлежит дальнейшему разбиению. Если применять только операцию разбиения, можно ожидать, что в результате окончательного разбиения всей плошади образа на подобласти последние будут иметь одинаковые свойства, Это можно устранить допустимым объединением так же, как и разбиением.
Для того чтобы удовлетворить условиям сегментации, введенным выше, необходимо объединять только те соседние области, пикселы которых удовлетворяют предикату Р; таким образом, две соседние обла. сти 1(, и Й» объединяются только в том случае, если РД,() Ра) = ИСТИНЛ.
Изложенное выше можно представить в виде процедуры, где на каждом шаге выполняются следуюшие операции; 1. Разбиение области )с„для которой Р(В) = ЛОЖЬ, на четыре непересекаюшихся квадранта. 2 Объединение соседних областей Я, и )см для которых Р фг () )Ре) = ИСТИНЛ. 3. Выход на останов, когда дальнейшее объединение или разбиение невозможно. Возможны варианты этого алгоритма [!25).
Например, можно сначала разбить образ на квадратные блоки. Дальней- 42( шее разбиение выполняется по изложенному выше способу, но вначале объединение ограничивается группами из четырех блоков, являющихся в квадродереве потомками и удовлетворяющих предикату Р. Когда дальнейшее объединение этого типа становится невозможным, процедура завершается окончатель- время как другие разбиваются на подквадранты '(рис.
8.19, б). В этом случае можно объединить несколько областей, за исключением двух подквадрантов, включающих нижнюю часть объекта; эти подквадранты нс удовлетворяют предикату и поэтому должны подвергнуться дальнейшей операции разбиения. Результаты операции разбиения и объединения приведены на рис. 8.19, в. На этом шаге все области удовлетворяют предикату Р, и объединение соответствующих областей после последней операции разбиения дает окончательный, сегментированный результат (рис.
8.19,г) 8.2.4. Применение движения Рис. 8.!9. Пример алгоритма разбиения и ебъелииеиии, ным объединением областей согласно шагу 2. В этом случае объединяемые области могут иметь различный размер. Основным преимуществом этого подхода является использование одного квадродерева для разбиения и объединения до шага, иа котором происходит окончательное объединение. Пример.
Пронллюстрируем изложенный выше алгоритм разбиения н объединения рис. 8.!9. В данном случае образ состоит из одного объекта и фона. Для простоты мы предполагаем, что интенсивности объекта и фона постоянные и РЯг) = ИСТИНА, если все пикселы в Рм имеют одинаковую интенсивность. Из этого следует, что для всей области образа Р(гг) = ЛОЖЬ, поэтому образ разбивается так, как показано на рис. 8.19,а.
На следующем шаге только область в левом верхнем углу удовлетворяет предикату, и поэтому она остается неизменной, в то 422 Движение представляет собой мощное средство, которое используется человеком и животными для выделения интересуюших их объектов из фона. В системах технического зрения роботов движение используется при выполнении различных операций на конвейере, при перемещении руки, оснащенной датчиком, более редко при перемещении всей робототехнической системы. В этом подразделе мы рассмотрим применение движения для сегментации с точки зрения распознавания образов. Основной подход. Один из наиболее простых подходов для определения изменений между двумя кадрами изображения (образамн) ((х, у, й) и !(х, у, 1,), взятыми соответственно в моменты времени б и Гь основывается на сравнении соответствующих пикселов этих двух образов.
Для этого применяется процедура, заключающаяся в формировании так называемой разности образов. Предположим, что мы имеем эталонный образ, имеюгций только стационарные компоненты. Если сравним этот образ с таким же образом, имеющим движущиеся объекты, то разность двух образов получается в результате вычеркивания стационарных компонент (т.
е, оставляются только ненулевые записи, которые соответствуют нестационарным компонентам изображения). Разность между двумя кадрами изображения, взятыми в моменты времени б и Гь можно определить следующим образом: (8.2-25) 1, если (!(х, у, 1,) — )(х, у, гг)() О, О в противном случае, где Π— значение порогового уровня. Отметим, что г2и(х, у)' принимает значение 1 для пространственных координат (х, у)' только в том случае, если два образа в точке с этими координатами существенно различаются по интенсивности, что определяется значением порогового уровня О.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
